Efficient 3D Printer Fault Classification Using a Multi-Block 2D-Convolutional Neural Network

Q: 이 논문에서 정의한 다중 블록 2D-컨볼루션 신경망이란 무엇인가?

3D 프린터 출력 결함 분류를 위해 제안된 효율적인 딥러닝 모델이다. 이 모델은 빠른 추론 시간과 낮은 계산 복잡도를 특징으로 하며, 기존 이미지 분류 알고리즘보다 적은 매개변수를 사용하여 실시간 모니터링 환경에서 정확한 결함 분류를 수행하는 것을 목적으로 한다.

Q: 다중 블록 2D-CNN 모델이 기존 이미지 분류 알고리즘 대비 가지는 효율성은 무엇인가?

연구 결과, 제안된 모델은 기존 기법보다 추론 시간을 67.01% 단축하고 메모리 사용량을 87.56% 감소시켰다. 특히 학습 가능한 매개변수를 최대 93.36%까지 줄였음에도 불구하고 높은 분류 정확도를 유지하여 실시간 결함 진단에 최적화된 성능을 보였다.

Made Adi Paramartha Putra; Ahakonye Love Allen Chijioke; Mark Verana; Dong-Seong Kim; Jae-Min Lee

doi:10.7840/kics.2022.47.2.236

추천

검색

질문

자료유형: 학술저널

저자정보: Made Adi Paramartha Putra (Kumoh National Institute of Technology) Ahakonye Love Allen Chijioke (Kumoh National Institute of Technology) Mark Verana (Kumoh National Institute of Technology) Dong-Seong Kim (Kumoh National Institute of Technology) Jae-Min Lee (Kumoh National Institute of Technology)

저널정보: 한국통신학회 한국통신학회논문지 한국통신학회논문지 제47권 제2호

발행연도: 2022.2

수록면: 236 - 245 (10page)

DOI: 10.7840/kics.2022.47.2.236

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

본 논문에서는 신속한 추론 시간과 낮은 계산 복잡도를 가지는 딥러닝(DL: deep learning) 모델을 사용하여 3D 프린터 출력 과정에서 발생하는 결함을 분류하는 새로운 방법을 제안한다. 제안하는 분류 기법은 3D 프린터 결함을 분류하기 위해 다중 블록 2D-컨볼루션 신경망(CNN: convolution neural network)을 사용하고 CNN 블록을 사용하여 fused deposition modeling(FDM) 3D 프린터에서 수집된 이미지 데이터 세트에서 특징을 추출한다. 제안된 모델은 MobileNet, AlexNet, VGG-11, VGG-16과 같은 기존 이미지 분류 알고리즘과 비교하여 성능을 평가하였다. 제안된 다중 블록 CNN은 기존 기법 대비 추론시간이 67.01% 빨라졌으며 87.56% 낮은 메모리 사용량과 최대 9.36%까지 감소시킨 매개변수를 사용함에도 높은 정확도를 보여준다. 이러한 성능은 제안된 3D 프린터 결함분류 모델이 실시간 모니터링 조건에서 정확한 분류를 제공하는데 적합함을 보여준다.

#3D Printing #CNN(convolutional neural network) #Efficient model #Fault detection #Manufacturing

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2022-567-000214895

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)